自组织组合预测模型的EMD改进在石油期货市场中的应用

论文摘要

石油是重要的资源之一,石油价格的波动可以直接影响到一个国家经济的发展,而石油期货价格是市场对石油现货价格的一种预期,因此准确预测石油期货价格成为政府、企业和研究者关注的重要领域。然而石油期货价格具有时间序列数据的典型特点,即非线性和非平稳性,这给价格的预测带来了极大的困难。越来越多的研究者发现,金融市场价格看似无规律的波动背后,似乎有一些潜在的信息或规律。尤其是在受到众多因素影响的石油期货市场中,将隐藏在数据中的信息提取出来进行研究,将对投资者做出有效的指导。针对石油期货价格数据的特点,本文将经验模式分解(EMD)方法与现有的预测方法相结合,提出了相似体合成(AC)预测的EMD改进模型,并进行了实证研究。首先利用EMD方法对NYMEX市场的原油期货价格进行分解,得到一系列平稳且具有较强周期性的本征模函数(IMF)和一个趋势项。然后根据每个IMF的周期大小选择模式长度,用AC算法对IMF和趋势项做一步及三步的样本外滚动预测,实证结果表明了该模型具有良好的预测能力。为了提高预测模型的精度,我们将自组织数据挖掘(GMDH)引入预测模型中,用GMDH方法对IMF和趋势项的预测值进行最优化的智能组合,找出IMF和趋势项之间的最优组合,再用组合模型得到最后的预测值。实证结果表明,基于GMDH的组合预测模型充分的挖掘了数据中的特点,显示了其独特的优越性。本文根据原油期货价格的数据特点,将EMD方法引入预测模型的建立中,对数据中的隐藏信息进行挖掘,并结合现有的预测方法和数据挖掘方法进行预测模型的构建,并通过实证研究证明了该模型具有良好的预测能力,为石油期货的投资者提供了切实可行的经验;其次,该模型具有良好的推广能力,可以应用于金融市场其它产品的预测。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 本文研究背景与意义
• 1.1.1 石油期货价格预测研究的背景
• 1.1.2 石油期货价格预测研究的意义
• 1.2 论文的结构安排
• 第二章 石油期货价格预测的研究现状
• 2.1 石油期货价格预测的研究现状
• 2.2 石油期货价格预测研究发展趋势
• 第三章 自组织相似体合成（AC）算法
• 3.1 AC 算法概述及研究现状
• 3.2 AC 算法的基本步骤
• 3.3 AC 算法在石油期货市场的预测
• 3.3.1 数据样本选择
• 3.3.2 实证分析
• 3.4 本章小结
• 第四章 经验模式分解（EMD）方法
• 4.1 几种常用的非平稳信号处理方法
• 4.1.1 短时傅立叶变换（STFT）
• 4.1.2 小波变换（WT）
• 4.2 EMD 算法原理
• 4.2.1 瞬时频率（Instantaneous frequency）
• 4.2.2 本征模函数（Intrinsic Mode Functions）
• 4.2.3 EMD 分解过程
• 4.3 关于EMD 方法的一些讨论
• 4.3.1 完备性和正交性
• 4.3.2 EMD 方法的优势
• 4.4 本章小结
• 第五章 自组织AC 预测模型的EMD 改进
• 5.1 预测模型构建的理论基础
• 5.2 预测模型的具体步骤
• 5.3 自组织AC 预测模型的EMD 改进的实证分析
• 5.3.1 数据的选取
• 5.3.2 样本数据的EMD 分解
• 5.3.3 预测过程
• 5.3.4 实证结果及分析
• 5.4 本章小结
• 第六章 自组织组合预测模型的EMD 改进在石油期货市场中的预测
• 6.1 自组织数据挖掘算法
• 6.1.1 自组织数据挖掘算法概述
• 6.1.2 自组织数据挖掘算法的应用
• 6.2 自组织数据挖掘算法的理论体系
• 6.2.1 自组织数据挖掘建模的基本思想
• 6.2.2 自组织算法的实现步骤
• 6.2.3 关于自组织算法的补充
• 6.3 自组织组合预测模型的EMD 改进在石油期货市场中的应用
• 6.3.1 预测模型的构建
• 6.3.2 实证研究
• 6.4 本章小结
• 第七章 总结与展望
• 7.1 全文总结
• 7.2 研究展望
• 致谢
• 参考文献
• 攻读硕士学位期间取得的研究成果